"نحن نبني مساعداً للمعرفة في مجال الذكاء الصناعي" "الذي سيغير كيفية وصول موظفينا إلى المعلومات"
- كُلّ شغل كُلّ مُعلَلَة، مُطْرَق، ومُقترح إستشاري في 2024-2025
لقد قضيت الشهر الماضي أو أكثر من ذلك بشكل صحيح أغمر نفسي في المجال التجاري. اقرأ كميات هائلة من تسويق bummf. فضعت أكثر من العشرات من إعلانات الوظائف. جلست من خلال عروض منتجات أكثر مما أهتم للاعتراف به. وتوصلت إلى نتيجة محبطة إلى حد ما.
إنه تقريباً نفس الشيء تقريباً
"قاعدة معارف الشركة ذات القدرة المؤسسية." "بحث وثائقي ذكي." "Customer tashbot مع معرفة المؤسسة." سحب نسخة التسويق بلا أنفاس وسوف تجد نفس العمارة، نفس أنماط الفشل، ونفس أصحاب المصلحة المخيبين للآمال حوالي ستة أشهر أسفل الخط.
إن متغيرات دردشة العملاء تسلية بشكل خاص يمكن أن تصبح كوارث في العلاقات العامة بشكل سريع جداً عندما يقوم المطورون الذين لا يفهمون خطوط السكك الحديدية بتركهم يتساهلون مع الجمهور. لا شيء يشبه تماماً دعمكم الذي تقدمون به المجاملات التي لا تعطونها، أو تصنعون خصائص منتجة لا وجود لها، أو تدور حول معنى الوجود عندما يسأل شخص ما عن أوقات الشحن. بدون قيود مناسبة، هذه الآلات سوف تعد بكل سرور، تعترف بالجرائم التي لم ترتكبها شركتكم، أو تطور آراء قوية عن المنافسين. يظل المثال الكنسي عبارة عن ثرثرة طيران كندا بكل ثقة تخترع سياسة خسارة لم تكن موجودة - والشركة محتجزة لديها في المحكمة.
هذا هو السر القذر الذي لا أحد في الإدارة يريد سماعه معظم المشاريع التجارية غير مبتكرة إنها سلعة سباحة بعلامة فاخرة
قبل أن أذهب إلى أبعد من ذلك، مُعلّمة: أنا لست "رؤية آية" أو أيّاً كان عنوان هذه اللحظة (معظمها سابقًا "رؤية بخارطة السلاسل" التي كانت محورة بشكل مناسب). أنا مهندس برامج الذي كان يبني هذه الأنواع من الأنظمة - البحث، إدارة المعرفة، معالجة اللغة الطبيعية، دعم القرار - لما يقرب من ثلاثة عقود. لقد رأيت هذه الصورة من قبل مع أنظمة الخبراء، مع الويب الدلالية، مع البيانات الكبيرة، مع سلسلة الكتل. التغييرات التكنولوجية؛ نمط الإفراط في الإعلان والإنجاز لا.
و ستجدون أن ما يقرب من 95% من المشاريع التجارية تقع في واحدة من فئتين:
هذا هو الأكثر شيوعاً إلى حد بعيد. كل "حل مشروع ABA" يتبع هذا النمط:
flowchart LR
A[Documents] --> B[Document Ingestion Pipeline]
B --> C[Vector Database / RAG]
C --> D[Construct Prompts]
D --> E[LLM API Call]
E --> F[Hybrid Search]
F --> G[Response to User]
style B stroke:#ff0000,stroke-width:4px
هذا هو الصندوق الأحمر؟ هذا هو المكان الذي يكسر فيه كل شيء. المزيد من ذلك في لحظة واحدة.
صوت الملعب مثير للإعجاب: "لقد بنينا AIA الذي يفهم وثائق شركتك ويمكن الإجابة على الأسئلة بذكاء!"
الواقع: لقد بنيت محرك بحث مع خطوات إضافية و 100,000 جنيه استرليني في الشهر مشروع قانون OpanAI.
"لقد درّبنا نموذجنا الخاص بـ AI خصيصاً لصناعتك"
الحقيقة: لقد أخذت نموذج شخص آخر وضبطته بدقة على مجموعة بيانات ربما تكون صغيرة جداً، قذرة جداً،
flowchart TD
A[Existing LLM] --> B[Collect Training Data]
B --> C[Clean Data - Maybe]
C --> D[Fine-tune Model]
D --> E[Deploy Model]
E --> F[Discover it's not much better than base model]
F --> G[Keep paying for inference anyway]
G --> H[Hope nobody notices]
معظم مشاريع الضبط الدقيق التي رأيتها كان من الأفضل أن تخدم من خلال إنفاق نفس المال على تحسين
دعونا نتحدث عن ذلك الصندوق الأحمر في الرسم البياني RAG. **"إبتلاع الوثائق هو الجزء الذي يفشل في أغلب الأحيان"**و هو الجزء الذي يحصل على أقل اهتمام في العروض الملتهبة
هذا ما يظهره عرض المبيعات:
هذا ما يحدث في الواقع:
PDFs كابوس. تم تصميمها للطباعة، وليس لاستخراج البيانات المهيكلة. كل PDF parser استخدمته لديه أنماط فشل مختلفة:
وهذا فقط PDFs. انتظر حتى تضرب:
عندما تستخرج النص (بالشر) تحتاج إلى تكديسه لقاعدة بيانات متجهك. هنا حيث يحدث المزيد من التفكير السحري.
"سوف نستخدم القطع الدلالية!" عظيم، عقد الـ 200 صفحة الخاص بك الآن 500 قطعة، و AI ليس لديها أي فكرة أي منها مرتبطة أو في أي ترتيب يظهرون.
"سوف نستخدم قطع ثابتة الحجم مع تداخل!" الكمال، كنت قد قسمت فقط جملة إلى نصفين والدمج الآن يمثل هراء.
flowchart TD
A[Original Document] --> B[Chunk 1: This contract shall be governed by]
A --> C[Chunk 2: the laws of the State of California]
B --> D[Embedding: Legal stuff?]
C --> E[Embedding: Geography?]
D --> F[User asks about jurisdiction]
E --> F
F --> G[AI: Based on my knowledge, possibly California, or maybe legal governance, who knows]
جيد RAG يحتاج إلى بيانات فوقية جيدة. ولكن استخراج البيانات الفوقية من الوثائق أمر صعب:
معظم المنظمات لديها عقود من الوثائق مع اتفاقيات التسميات غير المتسقة، هياكل المجلدات التي كانت منطقية لشخص غادر في عام 2003، والبيانات الفوقية التي إما مفقودة أو خاطئة.
واسمحوا لي أن أكون واضحا: إن الضبط الدقيق له مكانه، ولكن الطريقة التي تتعامل بها معظم الشركات مع هذا الضبط هي طريقتها المعطلة أساسا.
يتطلب الضبط الدقيق بيانات جيدة للتدريب، ومعظم الشركات لا تملك هذه البيانات، وقد قامت بما يلي:
تذاكر دعمكم مليئة بالزبائن المحبطين، معلومات غير صحيحة من الموظفين المبتدئين،
تعني تلك التي يقوم فيها البائعون بالوعود التي لا يستطيع المنتج الوفاء بها؟
كيف يمكنك أن تعرف ما إذا كان نموذجك المكيف بشكل جيد هو في الواقع أفضل؟ معظم الشركات لا تستطيع الإجابة على هذا لأن:
لقد رأيت شركات تقضي ستة أشهر تزين نموذج ومن ثم ليس لديها طريقة لإثبات أنه أفضل من مجرد استخدام GPT-4 مع نظام جيد وسريع.
النماذج المكيفة بشكل جيد تحتاج إلى تحديث. تغير عملك. منتجاتك تتغير. عملياتك تتغير. هذا النموذج الذي قمت بتدقيقه في يناير هو الآن يعطي أجوبة مستندة على معلومات قديمة.
غير أن الاستكمال يعني ما يلي:
معظم الشركات تهذب مرة ثم تعيش مع الإنجراف. يصبح النموذج ببطء أقل أهمية بينما يتظاهر الجميع أنها لا تزال تضيف قيمة.
لا تفهمني خطأ، هناك حالات استخدام مشروعة:
flowchart TD
subgraph RAGWorks["✅ RAG Works When"]
R1[Well-structured docs]
R2[Clear metadata]
R3[Search + synthesis use case]
R4[Heavy ingestion investment]
R5[Feedback loops exist]
end
subgraph FTWorks["✅ Fine-Tuning Works When"]
F1[Large high-quality dataset]
F2[Base model truly struggles]
F3[Ongoing maintenance budget]
F4[Clear eval metrics]
F5[Already tried prompting + RAG]
end
style R4 stroke:#00aa00,stroke-width:2px
style F5 stroke:#00aa00,stroke-width:2px
الصناديق الخضراء هي الشروط الأساسية لتجاوز المشاريع. "لقد كنا بالفعل متفائلين بالحضور و الرافع" هو شريط من أجل الضبط الدقيق. "استثمارات كبيرة جداً" (هو شريط لـ (آر آر جي تخطي هذه وأنت تبني على الرمال
في حين يقوم الجميع ببناء نفس خط أنابيب RAG، في الواقع المشاكل المثيرة للاهتمام في التجارة AI يتم تجاهلها:
أكبر قيد على فعالية الذكاء الإصطناعي ليس النموذج. إنها البيانات. معظم المنظمات لديها:
ولكن "مبادرة جودة البيانات" لا تحصل على مقال فوربس مثل "التحول آي" يفعل.
إلقاء AI tashbot في عملية قائمة لا يجعلها أفضل بشكل سحري. العملية تحتاج إلى إعادة تصميم حول قدرات و حدود الـ AI. معظم الشركات فقط تثبيط AI إلى عمليات مكسورة وتتساءل لماذا لا تساعد.
أفضل تطبيقات الذكاء الإصطناعي تزيد القدرات البشرية بدلاً من محاولة استبدالها. لكن هذا أصعب للبيع من "آي الذي يعمل X آلياً!"
يتطلب العمل المشترك بين البشر + العمل معاً وفقاً للآداب والآداب ما يلي:
معظم المشاريع التجارية الخاصة بمعاملة الإنسان كفكرة لاحقة.
تطبيقات الذكاء الاصطناعي القيّمة حقاً ليست "تشاتبوت على وثائقك" إنها تطبيقات تقول:
ولكن هذه هي صعبة. خطوط أنابيب RAG سهلة (حسنا، أسهل). لذلك هذا هو ما يبنيه الجميع.
ومن العوامل المهمة التي تدفع إلى تنفيذ مشاريع في مجال الخدمات الاستشارية هو النظام الإيكولوجي للاستشارات:
flowchart TD
A[Big Consultancy Tells C-Suite: You Need AI!] --> B[C-Suite Panics]
B --> C[Consultancy Deploys Army of Juniors]
C --> D[Recommendations: RAG + Fine-Tuning]
D --> E[Build Same Thing as Last 20 Clients]
E --> F[Demo Goes Well]
F --> G[Reality: Real Data Breaks Everything]
G --> H[Consultancy Moves On]
H --> I[Internal Team Struggles]
I --> J[Project Quietly Fails]
J --> K[Nobody Admits It]
K --> A
style G stroke:#ff0000,stroke-width:3px
style J stroke:#ff0000,stroke-width:3px
لقد رأيت هذا النمط عشرات المرات. يتم الدفع للاستشارات. المديرون التنفيذيون يقولون أنهم "فعلوا." المهندسون يعلقون في الحفاظ على شيء بالكاد يعمل. ومشكلة العمل الفعلية لا تزال غير محلولة.
المشاريع الصاعدة تقع في فخ مختلف قليلاً، إنها ليست إستشارية تقود الخلل، إنها بيئة التمويل.
timeline
title Technology Requirements for VC Funding
2005 : Web 2.0 - "You need social features"
2010 : Mobile - "You need an app"
2015 : Cloud - "You need to be cloud-native"
2018 : Blockchain - "You need a token"
2023 : AI - "You need an AI strategy"
يبدو مألوفاً؟ كل بضع سنوات، هناك تكنولوجيا جديدة يقرر VCs أنها ضرورية. إذا لم يذكرها سطح الملعب بشكل واضح، لن تحصل على التمويل. قد تكون التكنولوجيا غير ذات صلة بمنتجك الفعلي - لا يهم. تحتاج إلى الكلمة الطنانة.
لقد شاهدت هذا يحدث مع شركة بلاك ستاين في 2017-2018. كانت الشركات التي لم يكن لديها أي عمل تجاري تعمل على سلسلة من المباني تقوم بطرح الرموز في منتجاتها لأن هذا هو ما حصل على التمويل. لقد اختفت أغلب سمات هذه السلسلة بشكل هادئ بمجرد تأمين الأموال.
الآن يحدث مع AI.
التأهّب هو التزحلق على ميزات LLLM على المنتجات التي لا تحتاج إليها بسبب:
نتيجة ذلك؟ المنتجات ذات الميزات الغريبة التي يتجاهلها المستخدمون. أحرقت مدرجاً على تجارب الضبط الدقيق التي لا تذهب إلى أي مكان. الوقت الهندسي الضائع على أنظمة RAG عندما يعمل البحث عن قاعدة بيانات بسيطة بشكل أفضل.
الجزء الأسوأ: العديد من المؤسسين يعرفون أن هذا أمر سخيف. إنهم يبنون مميزات متتابعة لا يؤمنون بها لأنهم يحتاجون إلى البقاء على قيد الحياة لفترة كافية لبناء ما يهتمون به بالفعل. بعضهم ينجح في هذه اللعبة. معظمهم لا.
إذا كنت مؤسساً مؤسساً مبتدئاً يتم دفعه لإضافة الذكاء الإصطناعي، اسأل نفسك:
إذا كان هذا هو الأخير، قم ببناء الحد الأدنى من ميزة AI القابلة للبقاء التي تقوم بتأشير الصندوق، ثم ركز على ما يهم فعلا. لا تدع بيئة التمويل تصرفك عن بناء شيء قيّم.
هنا الحقيقة الغير مريحة لا أحد في منظمة العفو الدولية يريد أن يناقش: تقريباً كل شخص في النظام الإيكولوجي لديه حافز مالي لإبقاء الضجيج مستمراً
flowchart TD
subgraph Researchers["🔬 Frontier Labs"]
R1[Need billions for compute]
R2[Must show progress to justify spend]
R3[Hype generates investment]
end
subgraph Companies["🏢 Tech Companies"]
C1[Need AI angle for valuation]
C2[Must justify AI team costs]
C3[Hype drives stock price]
end
subgraph Investors["💰 Financial Backers"]
I1[Massive capital deployed]
I2[Need exits and returns]
I3[Hype maintains valuations]
end
subgraph Media["📰 Tech Media"]
M1[AI stories get clicks]
M2[Access depends on positive coverage]
M3[Hype drives engagement]
end
R3 --> I1
C3 --> I1
I3 --> R1
I3 --> C1
M3 --> R3
M3 --> C3
الباحثون: تحتاج مختبرات الحدود إلى البلايين في الحساب لتدريب الجيل القادم من النماذج. هذا المال يأتي من المستثمرين والتقنيات الكبيرة. لتبرير هذا الإنفاق، يحتاجون إلى إظهار التقدم - و "التقدم" يتم ترجمته إلى إعلانات بلا أنفاس عن القدرات التي قد تتحقق أو قد لا تتحقق في التطبيقات العملية. إذا ماتت الضجيج، فإن التمويل ينضب.
الشركات يحتاج تقييم OpenAI إلى مواصلة السرد. يعتمد تقييم OpenAI على الاعتقاد بأن AGI هو حول الزاوية. كل مبدئ "II-Power" متعدد يعتمد على AI يبقى القطاع الساخن. لحظة تحول المشاعر، المليارات في ثروة الورق يتبخر.
المستثمرون يحتاجون إلى المخارج. يحتاجون إلى الموسيقى لمواصلة اللعب بما فيه الكفاية لتحقيق العائدات. إن التقييم الواقعي لقدرات الذكاء الاصطناعي على المدى القريب من شأنه أن يحفر عمليات التقييم عبر القطاع.
دال - وسائط الإعلام اكتشاف أن قصص الذكاء الفلكي تولد اشتباكاً ضخماً. التغطية الناعسة لا تحصل على نقرات. "AI سوف تأخذ وظيفتك" و "AI طفرة في حل X" تفعل. الوصول إلى شركات الذكاء الإصطناعي يعتمد في كثير من الأحيان على الحفاظ على علاقات إيجابية - مما يعني أن التغطية الحرجة هي الحد من الحياة الوظيفية.
نتيجة ذلك؟ دورة ضجيج ذاتية التعزيز حيث لكل شخص أسباب للحفاظ على التوقعات المتضخمة، وقليل جداً من الناس يستفيدون من قول الحقيقة.
هذا لا يعني أن (آي آي) ليست مفيدة حقاً، بل هي كذلك تماماً، كما ناقشت خلال هذه المقالة. لكن الفجوة بين ما يتم الوعد به وما يتم تسليمه واسعة، والحوافز كلها متوائمة لإبقاء تلك الفجوة مخفية.
عندما يخبرك شخص ما أن (آلام) ستثور في عملك، اسأل نفسك: ماذا يكسبون من تصديقك لذلك؟
إذا كنت تفكر في مشروع AI، وهنا نصيحتي الصادقة:
لا تسأل "كيف يمكننا استخدام AI؟" اسأل "ما هي المشكلة التي نحاول حلها؟" إذا كان AI هو الحل الصحيح، عظيم. ولكن في كثير من الأحيان ليس كذلك.
قبل بناء خط أنابيب RAG، أصلح الفوضى المستندية. قبل أن تدقق، نظف بيانات تدريبك. الـ AI لن يصلح مشاكل بياناتك، بل سيضخمها.
لا تطلق "اي تحويل" هائل. تبني دليلاً صغيراً على المفهوم. اختبره بالمستخدمين الحقيقيين. تعلم ما يعمل فعلاً. ثم توسع.
أنبوب ابتلاع الوثيقة ليس مثيرًا. تنظيف البيانات ليس مثيرًا. إطار التقييم ليس شيئًا يمكنك عرضه على المجلس. لكن هذه هي ما يحدد النجاح أو الفشل.
(آى) ليس سحراً، الـ (إل إل إل إل إل إس) حالياً يُهلوسون، أنظمة الـ (آر آر ج) تفوت الوثائق ذات الصلة، نماذج مُتقنة مُنحرفة، وضع توقعات واقعية.
ربما 30% من الجهد المبذول للحفاظ عليه، وتحسينه، والمحافظة عليه ذو صلة هي ال 70% الأخرى. الميزانية وفقاً لذلك.
ربما ما تحتاجونه هو استخدام أفضل للأدوات من الخارج. قد يكون الدردشة مع بعض التعليمات المخصصة كافياً. ليس كل شيء يحتاج إلى منصة للمعرفة البينية.
حسناً، لقد صرفت بضع كلمات مُختلفة مُعلقة على مشروعات (إيه إيه) التجاريّة، والآن للشيء المُتفائل: هذه المشاريع يمكن أن تنجح في الواقع، إذا اقتربت منها بشكل معقول.
المشكلة ليست "RAG" أو "الضبط الدقيق" كمفاهيم. المشكلة هي التنفيذ الكسول، التوقعات غير الواقعية، وتجاهل الأساسيات. وهنا كيفية القيام بذلك بشكل أفضل.
أكبر خطأ أراه هو التعامل مع AI كبديل للعمليات الحالية بدلاً من تحسينها. عملك لديه بالفعل سير العمل الذي يعمل (معظمه). بدلاً من تمزيقها واستبدالها بنسخة "I-Power" ، ربط AI في الفجوات.
flowchart TD
subgraph Traditional["Traditional Workflow"]
A[Document Arrives] --> B[Human Reviews]
B --> C[Decision Made]
C --> D[Action Taken]
D --> E[Results Logged]
end
subgraph Enhanced["AI-Enhanced Workflow"]
A2[Document Arrives] --> AI1[AI: Extract Key Info]
AI1 --> B2[Human Reviews - With AI Summary]
B2 --> AI2[AI: Suggest Decision Based on History]
AI2 --> C2[Human Makes Final Decision]
C2 --> D2[Action Taken]
D2 --> AI3[AI: Auto-categorise & Log]
AI3 --> E2[Results Available for Future AI Training]
end
ملاحظة ما هو مختلف:
هذا أكثر قوة بكثير من "المباحث الفيدرالية تتعامل مع كل شيء وأحياناً فحص بشري"
هذا سر قذر: ربما لا تحتاج GPT-4 أو كلود لمعظم المهام. وبالتأكيد لا تحتاج لإرسال وثائقك السرية إلى خوادم OpanAI.
التكلفة
على نطاق واسع، تكاليف API تتراكم بسرعة. نظام RAG المزدحم قد يقوم بآلاف المكالمات LLM يوميا. على 0.01.01.03 دولار للرمز 1K، هذا هو المال الحقيقي. وكما تتوسع، يزداد الأمر سوءا.
السرية
العديد من المنظمات لا تستطيع (أو لا يجب) إرسال وثائقها إلى APIs الخارجية:
الحل: النماذج المحلية
النماذج الحديثة المفتوحة المصدر جيدة جداً. تُجري محلياً وسائل:
flowchart LR
subgraph Cloud["Cloud API Approach"]
A1[Your Documents] --> B1[Internet]
B1 --> C1[OpenAI/Anthropic]
C1 --> D1[£££/month]
C1 --> E1[Privacy Concerns]
end
subgraph Local["Local LLM Approach"]
A2[Your Documents] --> B2[Your Server]
B2 --> C2[Local LLM]
C2 --> D2[Fixed Hardware Cost]
C2 --> E2[Data Never Leaves]
end
(أ) **** (معاملات متجه RAG:
(أ) - - - - - - - - - - - - - - - - - (الاستجابات الفعلية لـ "AI"):
(أ) عدد المهام:
تشغيل هذه محلياً ليس صعباً كما تظن أدوات مثل الوليمة, الـ 08 pp, VLLLLLLأو مـن النـصــج لقد بنيت عدداً من التطبيقات (انظر الجزء السفلي من المقالة) التي تظهر هذا العمل على المعدات الاستهلاكية.
ليس من الضروري أن تذهب إلى كل شيء أو لا شيء
نماذج محلية لأداء مهام كبيرة الحجم وأقل تعقيداً
تصفح تصفح سحابة لـ معقّد التعليل عند الحاجة
هذا النهج الهجين يعطيك فوائد التكلفة من الإستدلال المحلي مع قدرة نماذج السحاب عندما تحتاج إليها حقاً.
flowchart LR
subgraph Waterfall["❌ The Waterfall AI Project"]
W1[Month 1-3: Requirements] --> W2[Month 4-6: Build Platform]
W2 --> W3[Month 7-9: Integration]
W3 --> W4[Month 10: Demo - Looks Great!]
W4 --> W5[Month 11: Real Users Break It]
W5 --> W6[Month 12: Project Shelved]
end
subgraph Incremental["✅ The Incremental Approach"]
I1[Week 1-2: One Small Problem] --> I2[Week 3-4: Refine + Measure]
I2 --> I3[Week 5-6: Add Capability]
I3 --> I4[Week 7-8: Refine + Measure]
I4 --> I5[Repeat...]
I5 --> I6[Continuous Value Delivery]
end
style W5 stroke:#ff0000,stroke-width:3px
style W6 stroke:#ff0000,stroke-width:3px
style I6 stroke:#00aa00,stroke-width:3px
كل خطوة في النهج التدريجي تعطي قيمة قابلة للقياس. كل خطوة تعلمك شيئا. إذا فشل شيء ما، فقد خسرت أسابيع، وليس شهورا.
تذكر ذلك الصندوق الأحمر في الرسم البياني؟ هنا كيفية إصلاحه:
(أ) الاستثمار في النوعية أكثر من الكمية. من الأفضل أن يكون لديك 1000 وثيقة مجهزة بشكل مثالي أكثر من 100 ألف وثيقة غير مجهزة بشكل جيد
استخدام AI للمساعدة في الابتلاع. ويمكن لنماذج لغة الرؤية الحديثة (GPT-4V, Clod, LLAVA محليا) أن تقرأ في الواقع الوثائق المعقدة - الجداول والرسوم البيانية والمذكرات المكتوبة بخط اليد - بطرق لا تستطيعها عادة OCR. استخدامها في الوثائق المطبوعة.
(ج) دورات التغذية المرتدة. عندما يفشل الاسترجاع، قم بتسجيله. عندما يقول المستخدمون "هذا ليس ما يقوله المستند"، التقطه. استخدم هذه التعقيبات لتحسين خط أنابيب ابتلاعك.
تقبل أن بعض الوثائق لن تجدي نفعاً في بعض الأحيان الإجابة هي "سنتعامل مع هذا النوع يدوياً" بدلاً من قضاء أشهر في قضايا الحافة.
(ج) احتياجات الحل القائم على العمل:
• ما الذي تفعله معظم المشاريع وما الذي تعمل به في الواقع |-----------|----------------------|---------------------| □ البيانات التي ابتلاعها بعد التفكير في التركيز الأولي □ التركيز الأولي □ □ □ نوعية البيانات □ "سيكتشف المعهد ذلك" □ خط أنابيب التنظيف المخصص □ البحث الأساسي في مجال البحث عن نواقل نواقل نواقل أساسية الناتج الناتج المهيكل مع المصادقة □ الاستعراض البشري/الخيار الاختياري/الدمج في تدفق العمل حلقة تحسين مستمر • رصد "إنه يعمل" والقياسات التفصيلية والتنبيهات • الصيانة: "التركيبة 1 إلى الأبد" تحديثات وإعادة تدريب منتظمين
نموذج AI هو ربما 20% من نظام العمل. أما الـ 80% الأخرى فهي المواد المملة التي تجعلها تعمل في الإنتاج.
لا يمكنك تحسين ما لا يمكنك قياسه، كل نظام من نظم الذكاء الذاتي يجب أن يتبع:
هذه البيانات تخبرك أين تستثمر الجهد. ربما يكون استرجاعك عظيماً لكن الجيل يهلوس. ربما بعض أنواع المستندات تفشل دائماً. لا يمكنك إصلاح ما لا تستطيع رؤيته.
هنا أهم تحول يحدث الآن: الحقبة من "رمي كل شيء في GPT-4 والأمل للأفضل" هو نهاية.
كان نهج 2023-2024 بسيطا: احصل على أكبر نموذج يمكنك تحمله، احشو نافذة السياق الخاص بك كامل من كل شيء، والصلاة. لقد نجح... نوعا ما. للعروض. للنماذج الأولية. للحصول على الاستثمار.
لكنها لا تتسع، إنها غالية، إنها بطيئة، وبشكل متزايد، إنها تتفوق على أداءها من قبل الهندسة المعمارية الأذكى.
المستقبل ليس نموذجاً عملاقاً واحداً يفعل كل شيء النماذج المتخصصة المتعددة التي تعمل معاًكل من يفعل ما هو جيد فيه
flowchart TD
subgraph OldWay["The 2023 Approach"]
A1[Everything] --> B1[GPT-4]
B1 --> C1[Hope It Works]
B1 --> D1[£££££]
end
subgraph NewWay["The 2025+ Approach"]
A2[Input] --> B2[Router Model - Small/Fast]
B2 --> C2[Specialist Model A - Extraction]
B2 --> D2[Specialist Model B - Reasoning]
B2 --> E2[Specialist Model C - Generation]
C2 --> F2[Orchestrator]
D2 --> F2
E2 --> F2
F2 --> G2[Output]
end
هذا ما كنت أستكشفه في الدالة DSSSSSSSS - العمل - فكرة أن هيكل هيكلي يُنْبَعخط أنابيب مدبر بعناية من نماذج أصغر ومركزة تفوق أداء نموذج واحد ضخم يحاول أن يفعل كل شيء.
نفس التفكير ينطبق على تنفيذ استخدام متعدد LLM خلفيات بوصة متوالية حيث كل نموذج جلب مختلف قوّات النماذج لـ سريع لـ سريع الفرز لـ دقيق لـ مؤكّد مبتكر لـ توليد كل منها ما هو أفضل.
إذا لم تكن قد فعلت بالفعل، تحقق من سلسلة النجر الذي يتعمق في الأساسيات. لكن ها هي البصيرة الرئيسية: RAG في حد ذاته هو شكل من أشكال هذا النهج المنظمأنت استخدام نموذج واحد لإيجاد المحتوى ذي الصلة، ثم استخدام LLM (نموذج آخر) لتلخيص الجواب.
التطور التالي يأخذ هذا أبعد من ذلك:
كل نموذج أصغر، أسرع، وأرخص من استخدام GPT-4 لكل شيء. ولكن معاً، يتفوقون على النهج الأحادي.
في علم النفس، تشير الوكالة إلى القدرة على التصرف بشكل مستقل، واتخاذ القرارات وتنفيذها في العالم. فالشخص العامل لا يستجيب للمحفزات فحسب؛ بل يبادر بالعمل، ويتابع الأهداف، ويكيف سلوكه استناداً إلى النتائج.
عامل بدلاً من النمط التقليدي - تطرح سؤالاً، فإن النموذج يولد نصاً - نظام الوكيل يمكن في الواقع القيام بالأشياءويمكنها استخدام الأدوات، وتنفيذ الرموز، وقواعد البيانات الاستعلامية، واتصالات APIs، وكتابة الملفات، وتنظيم تدفق العمل المتعدد الخطوات. هو الفرق بين سؤال شخص ما عن الاتجاهات واستئجار شخص ما ليوصلك إلى هناك.
هذا ما أحدث نماذج Anthropic (بما في ذلك Aucus 4, 4 التي استخدمها حرفياً لكتابة هذا عن طريق رمز كلود (CLOD)) اظهار ذلك بفعالية.
ها هو الشيء الذي يجعل الحشود غير مريحة إذا وصفت الأدوات بشكل جيد بما فيه الكفاية، فأنت لا تحتاج إلى دقة باهظة الثمن لاستخدامها. والنماذج التأسيسية الحديثة جيدة بشكل ملحوظ في استخدام الأدوات من خارج الصندوق - تحتاج فقط إلى وظائف واضحة ومخططات ووثائق جيدة في السياق.
هذا تحول هائل من نهج TULUAWAR (اصنع نموذجاً لتعلم متى تستخدم الأدوات بقياس النتائج). هذا مكلف، يتطلب بيانات تدريبية متخصصة، ويحبسك في مجموعة محددة من الأدوات. البديل؟ صف أدواتك بوضوح، أعط النموذج سياقاً جيداً، ودعه يعرف متى يستخدمها.
وغالباً ما تكون النتائج أفضل بسبب ما يلي:
flowchart TD
subgraph RAG["Traditional RAG Chatbot"]
R1[User Question] --> R2[Search Documents]
R2 --> R3[Construct Prompt]
R3 --> R4[LLM Generates Answer]
R4 --> R5[Return to User]
end
subgraph Agentic["Agentic AI Pattern"]
A1[User Task] --> A2[LLM Understands Task]
A2 --> A3[Break Into Steps]
A3 --> A4{Select Tool}
A4 --> A5[Execute Tool]
A5 --> A6{Evaluate Results}
A6 -->|Need More| A4
A6 -->|Done| A7[Return to User]
end
style A6 stroke:#00aa00,stroke-width:3px
هذا النمط العميلي يختلف جوهرياً عن RAG tagabots. وهو حيث تكمن القيمة الحقيقية.
أطر مثل لانغ تشين، لالاما إندكس، و كيرنيل Semantic جعل هذا ممكنا اليوم. يمكنك بناء نظم حيث:
الشركات التي تكتشف هذا سوف تبني أنظمة AI التي تعمل بالفعل. تلك التي لا تزال تحاول صقل طريقتها للنجاح أو بناء المزيد من RAG tashbot أخرى سوف تستمر في خيبة الأمل.
كتبت الكثير عن هذه الأنماط:
/ الموضوع / المادة / المادة / المادة / ما سوف تتعلمه / / |-------|--------------------------------------------------------------------------|-----------------------------------------------------------------| | هن | DESESE vs معاقر ▪ لماذا يهزم تنظيم تنظيم تنظيمي النماذج المتوحِّدة ؟ □ | مُتْمِد | تنفيذ خطوط أنابيب بناء النماذج المتخصصة | أساسيات RAG | مجموعة من المزج إلى نظم الإنتاج | مُمزززج محلي محلي محلي المحلي | البحث الد موضعي مع OONNX البحث عن نواقل نواقل نواقل محلية صديقة لحاملات الأمراض المحلية | محليLLL | نوع مُسْس • نظام لتدفق العمل التطوري باستخدام نماذج محلية متصلة ببعضها البعض | AIP تحي المحاكاة | LLMP □ استخدام LLGs المحلية لمحاكاة APIs لاختبار □ | الناشر العملي | مبنى مبنى مكتب المدعي العام □ اكتمال تنفيذ المجموعة الفرعية للتنفيذ
التكنولوجيا موجودة. الأنماط تظهر. السؤال هو ما إذا كانت منظمتك ستبني شيئاً معقولاً أو مشروعاً آخر من مشاريع الذكاء الاصطناعي.
المنظر التجاري الحالي لـ AI يذكرني بعصر الويب المبكر. كل شخص يحتاج إلى "استراتيجية على الإنترنت". لقد بنيت الشركات مواقع على الإنترنت لأنها اضطرت إلى ذلك، وليس لأنها كانت تعرف ماذا تفعل بها. أغلب هذه المواقع كانت عديمة الفائدة.
وفي نهاية المطاف، كانت الشركات التي نجحت هي الشركات التي اكتشفت ما الذي كانت الشبكة جيدة له بالفعل، وبنت لهذا الغرض. وسوف يحدث نفس الشيء مع AI.
الآن، نحن في مرحلة "ابنيها لأننا مضطرون إلى" معظم المشاريع غبية. معظم المشاريع ستفشل أو تتناقص. هذا طبيعي للتكنولوجيا الجديدة.
لكن إذا كنت تريد أن تكون واحداً من الذين ينجحون، توقف عن اتباع القالب. ابدأ بمشاكل حقيقية. استثمر في الأجزاء المملّة. و من أجل حب الله، أصلح خط أنابيب ابتلاع الوثائق قبل أن تلقي اللوم على LLM.
الـ AI ليست المشكلة، بياناتك هي، عملياتك كذلك، توقعاتك غير الواقعية هي كذلك
أصلح هذه أولاً وربما ربما فقط ربما مشروعك لن يكون غبياً
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.